知識グラフ強化推薦のためのグラフベースの非サンプリング

2024-06-18 Tue
知識グラフグラフニューラルネットワーク非サンプリング戦略推薦システム埋め込み学習
グラフに基づいたサンプリングなしの知識グラフ強化推薦近年、知識グラフ（Knowledge Graph, KG）を強化した推薦システムは、コールドスタート問題や推薦システムの可解釈性を解決するために、多くの研究者の関心を集めています。既存の推薦システムは、購入履歴などの暗黙のフィードバックに焦点を当てることが多く、負のフィードバックが不足しています。大部分のシステムは暗黙のフィードバックデータを処理するために負のサンプリング戦略を採用していますが、これでは潜在的な正のユーザー-アイテムの相互作用が見過ごされる可能性があります。他の研究ではサンプリングなし戦略を採用し、観察されていない全ての相互作用を負のサンプルと見なして、各負のサンプルに正のサンプルの確率を示す重みを割り当てています。しかし、これらの方法は単純で直感的な重み付け戦略を使用しており、すべての相互作用データに潜在する関係を捕捉できていません。
研究背景と動機インターネットの急速な発展に伴い、情報過多の問題が日益深刻になっています。ユーザーの検索体験を向上させ、製品供給者の収益を増加させるために、推薦システムが登場し、電子商取引やソーシャルネットワークなどの多くのアプリケーションで大きな成功を収めています。近年、内容情報としての知識グラフが推薦システムに導入され、コールドスタートと可解釈性の問題を解決しました。例えば、4人のユーザーの閲覧履歴だけでは、映画『アバター』をユーザー1とユーザー2に推薦することはできませんが、関連する知識情報（例えば、同じ監督のジェームズ・キャメロン）を介して接続すると、より正確で合理的な推薦結果を生成できます。既存の方法の大部分は、知識情報とユーザー-アイテム相互作用データを異なる推薦システムに組み合わせる新しいアーキテクチャ（例えば、畳み込み神経ネットワーク（CNN）、注意機構、グラフ神経ネットワーク（GNN）など）を探求することに集中しています。
研究の出所と著者情報本稿はShuang Liang、Jie Shao、Jiasheng Zhang及びBin Cuiによるもので、それぞれ電子科技大学コンピュータとエンジニアリング学院未来メディアセンター、電子科技大学四川人工知能研究院などの研究機関に所属しています。論文は2023年9月にIEEE Transactions on Knowledge and Data Engineering誌に発表されました。
研究内容とプロセス本稿はサンプリングなし戦略に基づくグラフを提案し、知識グラフ強化推薦における高効率なパフォーマンスを実現しました。提案された方法は、ノード中心性を利用して推薦性能を著しく向上させ、同時に知識グラフ埋め込みと推薦タスクを組み合わせ、ローカル集約ブロックで知識グラフ強化推薦における高次の接続情報を効率的に捕捉します。3つのデータセットに対する実験により、本稿で提案された方法が競争力のある効率を備え、最新の研究水準に達していることが示されました。
研究プロセスユーザー-アイテム相互作用データの処理：まず、ユーザー-アイテム相互作用データをグラフ構造データに変換します。
ノード中心性の計算：ノード中心性を使用して各ノード、特に知識グラフにおけるノードの重みを確定します。
知識グラフ埋め込み：知識グラフの構造情報を利用して埋め込みをトレーニングします。
マルチホップトップk近接集約：高次の接続情報を捕捉し、ノード中心性に基づいてターゲットノードの最も重要な隣接ノードをサンプリングし、これらのノードの埋め込みを更新します。
モデルの最適化：最終的にサンプリングなし戦略の損失関数を使用してモデルのパラメータを最適化します。
実験と結果分析本稿ではAmazon-Book、Yelp2018およびLast-FMの3つの公開データセットで広範な実験を行い、本稿で提案された方法が推薦性能と効率の両方において既存の最先端方法に優れていることを示しました。具体的な実験結果は以下の通りです：
推薦性能の比較：本方法はすべてのデータセットで最良の成績を収め、特にユーザー-アイテム相互作用の希薄度が低い場合に性能向上が最も顕著でした。
グループ戦略の効果：異なる重み付け戦略（例えば、統一分配、ランダム分配、頻度分配、度中心性およびPageRank中心性）を比較し、PageRank中心性が推薦における有効性を証明しました。
マルチホップトップk近接集約効果：多層次の隣接サンプリングおよび情報集約により、高次の接続情報をよりよく捕捉し、推薦の正確性を大幅に向上させました。
結論と価値本稿で提案されたグラフに基づくサンプリングなし戦略は、計算効率において顕著な利点を持つとともに、知識グラフ強化推薦システムの推薦性能を明らかに向上させました。グラフ構造情報の導入により、負のサンプルの重みをより合理的に分配し、高次の接続情報を捕捉することができます。これは電子商取引やソーシャルネットワークなどのデータ希薄な推薦シーンにおいて重要な応用価値を有します。
ハイライトと革新新たな研究パラダイムの樹立：グラフ構造情報をサンプリングなし戦略に導入することで、本方法は知識グラフ強化推薦システムに新しいアプローチを提供しました。
効率的な計算：本稿の方法は推薦の正確性を向上させるとともに、計算効率も保持しており、従来の方法に比べて明らかな速度向上を実現しています。
マルチホップトップk近接サンプリング：集約時に最も重要な隣接ノードを選択することにより、高次の接続情報を効率的に捕捉し、推薦の質を向上させました。
今後の研究では、さらに高度なグラフ神経ネットワークおよび異なるノード中心性アルゴリズムを探求し、グラフに基づいたサンプリングなし戦略の効果を最適化することを目指します。